Unified Orbit-Attitude Estimation and Sensor Tasking Framework for Autonomous Cislunar Space Domain Awareness Using Multiplicative Unscented Kalman Filter

Este trabalho apresenta um framework unificado para a Consciência Situacional no Espaço Cislunar que otimiza a arquitetura de sensores e a alocação de tarefas por meio de algoritmos de aprendizado de máquina e de informação mútua, utilizando um Filtro de Kalman Unscented Multiplicativo para estimar com precisão os estados orbitais e de atitude em um ambiente dinâmico altamente não linear.

O essencial

Imagine que o espaço entre a Terra e a Lua está prestes a se tornar a nova "autoestrada interestelar". Com missões lunares, turismo espacial e estações orbitais, haverá muitos mais "carros" (satélites e naves) voando por lá. O problema? É um lugar enorme, escuro, cheio de curvas estranhas na gravidade e difícil de vigiar.

Este artigo é como um manual de instruções para criar uma "Polícia Espacial" autônoma capaz de vigiar essa região (chamada de espaço cislunar) sem precisar de um humano olhando para cada tela o tempo todo.

Aqui está a explicação simplificada, usando analogias do dia a dia:

1. O Problema: A "Favela" Espacial

O espaço perto da Terra é como um bairro tranquilo onde sabemos exatamente onde cada carro está. O espaço entre a Terra e a Lua é como uma floresta densa e escura com leis de física diferentes.

• A Gravidade é Confusa: A Terra e a Lua puxam as naves ao mesmo tempo, criando trajetórias que não são círculos perfeitos, mas sim "danças" complexas.
• A Visão é Ruim: Estar longe significa ver objetos pequenos e fracos. Além disso, o Sol, a Terra e a Lua podem bloquear a visão ou ofuscar os sensores, como tentar tirar uma foto de um pássaro com o Sol brilhando diretamente na lente.

2. A Solução: Dois Passos para a Segurança

Os autores criaram um sistema inteligente dividido em duas tarefas principais:

Tarefa 1: Onde colocar os "Olhos" (Otimização da Arquitetura)

Antes de vigiar, você precisa decidir onde colocar as câmeras.

• O Desafio: Existem milhares de órbitas possíveis. Colocar 100 câmeras em lugares errados é desperdício de dinheiro. Colocar 5 câmeras nos lugares certos é melhor.
• A Analogia: Imagine que você precisa vigiar uma grande festa em um parque. Você não coloca todos os seguranças no mesmo canto. Você usa um algoritmo inteligente (chamado "Árvore de Estimadores de Parzen") para simular milhões de combinações e descobrir: "Se eu colocar 3 seguranças aqui, 2 ali e 5 no outro lado, consigo ver 99% dos convidados com o menor custo possível."
• O Resultado: O sistema encontrou que o melhor lugar para colocar os satélites de vigilância é em órbitas específicas ao redor de pontos de equilíbrio gravitacional (chamados pontos de Lagrange), parecidos com "ilhas" de estabilidade no meio do oceano gravitacional.

Tarefa 2: Quem vigiar e quando? (Gerenciamento de Sensores)

Agora que os satélites estão no lugar, eles precisam decidir o que olhar a cada momento. Não dá para olhar para tudo ao mesmo tempo com alta precisão.

• O Desafio: Se há 100 naves voando e apenas 20 câmeras, quem merece atenção agora?
• A Analogia: Pense em um professor em uma sala de aula cheia. O professor (o sistema) precisa decidir em qual aluno focar a atenção a cada 30 minutos para garantir que ninguém esteja dormindo ou fazendo bagunça.
  • O sistema usa uma métrica chamada "Informação Mútua". É como se o professor perguntasse: "Olhar para o aluno da esquerda me dá mais informação sobre o que está acontecendo na sala do que olhar para o da direita?"
  • O sistema escolhe os alvos que trazem mais "novidades" para reduzir a incerteza.

3. O Cérebro do Sistema: O Filtro Kalman

Enquanto os sensores decidem quem olhar a cada hora, o sistema precisa calcular onde os objetos estão e como estão girando a cada segundo.

• A Analogia: Imagine que você está tentando adivinhar a trajetória de uma bola de basquete jogada em um vento forte. Você não vê a bola o tempo todo. O Filtro Kalman é como um gênio matemático que, a cada vez que você vê a bola, atualiza sua previsão de onde ela vai cair, corrigindo seus erros anteriores.
• O Diferencial: Este sistema é especial porque estima duas coisas ao mesmo tempo:
  1. Onde a nave está (Posição).
  2. Como a nave está girando (Atitude).
  • Descoberta Curiosa: O sistema é excelente em dizer onde a nave está (como um GPS). Porém, é mais difícil saber exatamente como ela está girando (se está de cabeça para baixo ou de lado), especialmente se houver muitos alvos e poucos sensores. É como tentar adivinhar a rotação de um pião à distância: se você não olhar com frequência, ele pode parecer que está girando de um jeito, mas na verdade está de outro.

4. O Que Eles Descobriram?

• Menos é Mais: Usar inteligência artificial para escolher os lugares certos permite usar menos satélites do que se fôssemos apenas "chutando" posições aleatórias.
• O Ritmo Importa: Se você demorar muito para atualizar quem está sendo vigiado (ex: a cada 4 horas), o sistema começa a "alucinar" sobre a rotação das naves. Atualizar a cada 30 minutos mantém tudo sob controle.
• O Equilíbrio: Quanto mais naves você tenta vigiar com o mesmo número de sensores, mais difícil fica saber como elas estão girando, embora você ainda saiba onde elas estão.

Resumo Final

Este trabalho é um projeto de engenharia para o futuro. Ele diz: "Não precisamos de um exército de satélites para vigiar a Lua. Precisamos de satélites inteligentes, posicionados nos lugares certos e com um cérebro que decide rapidamente o que olhar, para garantir que ninguém bata um carro no espaço cislunar."

É como transformar a vigilância espacial de um "olho humano cansado" em um "sistema de segurança autônomo e eficiente".

Resumo técnico

Resumo Técnico: Framework Unificado de Estimação Órbita-Atitude e Comissionamento de Sensores para Consciência Situacional no Espaço Cis-Lunar

1. Problema e Contexto

Com o aumento das atividades humanas e comerciais no espaço cis-lunar (a região entre a Terra e a Lua), há uma necessidade crítica de expandir as capacidades de Consciência Situacional Espacial (SDA) para além da órbita terrestre baixa. O ambiente cis-lunar apresenta desafios únicos em comparação com o espaço próximo à Terra:

• Dinâmica Complexa: O movimento é governado por dinâmicas não lineares e não keplerianas (modelo de Restrição Circular de Três Corpos - CR3BP), o que afeta a propagação de incertezas e a estimativa de estado.
• Restrições de Observação: Longas distâncias de observação resultam em baixa relação sinal-ruído, geometrias de observação restritas, eclipses e zonas de exclusão (Sol, Terra, Lua).
• Escalabilidade: A falta de heurísticas estabelecidas para arquiteturas de observadores e a necessidade de monitorar um volume vasto exigem otimização sistemática de posicionamento e alocação de recursos.

O objetivo deste trabalho é desenvolver um framework unificado para otimizar a arquitetura de sensores baseados no espaço e para gerenciar a tarefa de sensores (sensor tasking) integrada à estimação de estado (órbita e atitude) de objetos cis-lunares.

2. Metodologia

O trabalho é dividido em duas tarefas principais interligadas:

Tarefa 1: Otimização da Arquitetura do Observador

• Objetivo: Selecionar as trajetórias orbitais ideais e o número de satélites para cada trajetória.
• Espaço de Projeto: Considera 13 famílias de órbitas periódicas no sistema Terra-Lua (incluindo órbitas Halo, Lyapunov e Butterfly em torno dos pontos de Lagrange L1, L2 e L3). Um total de 302 trajetórias candidatas foi gerado.
• Alvos: Um conjunto de alvos estáticos no referencial giratório do CR3BP, gerado a partir de missões reais e planejadas, agrupados via algoritmo k-means para criar cenários de densidade variável (100, 2000 e 10.000 alvos).
• Função de Custo: Foi desenvolvida uma função de custo composta ($J$) que penaliza o número de satélites, avalia a estabilidade orbital (índice de estabilidade de Floquet), mede a cumulatividade da observabilidade, a frequência de observação por alvo, a proximidade com os corpos primários e garante a unicidade das órbitas.
• Algoritmo: Utilização de Otimização Bayesiana com o algoritmo Tree-structured Parzen Estimator (TPE) para explorar o espaço de design de alta dimensão de forma mais eficiente que a busca aleatória.

Tarefa 2: Comissionamento de Sensores e Estimação de Estado Integrada

• Comissionamento (Tasking): Utiliza as arquiteturas otimizadas da Tarefa 1. O problema é formulado como uma otimização de um passo (gananciosa) que maximiza a Informação Mútua entre os sensores e os alvos em intervalos discretos (ex.: a cada 1 hora). Assume-se cooperação entre sensores.
• Estimação de Estado: Entre os intervalos de comissionamento, a estimação ocorre em uma resolução temporal mais fina (ex.: a cada 30 segundos).
• Filtro: Utiliza-se um Filtro de Kalman Unscented Multiplicativo de Estado de Erro (Error-State Multiplicative UKF).
  • Estado: Combina estado translacional (posição/velocidade no CR3BP) e estado rotacional (atitude e velocidade angular).
  • Parametrização: A atitude global é representada por quatérnios, enquanto os erros de atitude são parametrizados por Parâmetros de Rodrigues Generalizados (GRPs) para evitar singularidades e manter uma representação mínima.
• Modelo de Medição:
  • Brilho Óptico: Modelado usando a função de distribuição de reflectância bidirecional (BRDF) baseada em física Cook-Torrance para simulações de alta fidelidade (considerando microfacetas, rugosidade e sombras). Para a otimização de arquitetura, um modelo analítico esférico Lambertiano foi usado para eficiência computacional.
  • Dados: Ângulos de linha de visada (Ascensão Reta e Declinação) e magnitude aparente.

3. Contribuições Principais

1. Framework Unificado: Integração de otimização de arquitetura de constelação e estratégia de comissionamento de sensores para o domínio cis-lunar, algo raramente abordado conjuntamente.
2. Função de Custo Inovadora: Desenvolvimento de uma função de custo composta que equilibra trade-offs operacionais críticos (número de sensores, estabilidade, cobertura e proximidade) para o ambiente CR3BP.
3. Algoritmo de Otimização: Aplicação bem-sucedida do TPE (Bayesian Optimization) para resolver problemas de design de arquitetura de satélites com espaços de busca complexos e descontínuos, superando métodos de busca aleatória.
4. Estimação Acoplada: Implementação de um UKF multiplicativo que estima simultaneamente a órbita e a atitude de objetos não cooperativos usando apenas sensores ópticos passivos, lidando com a não linearidade das dinâmicas cis-lunares.
5. Análise de Trade-offs: Estudo quantitativo sobre como a densidade de alvos e a cadência de comissionamento afetam a convergência e a divergência dos estados de translação e rotação.

4. Resultados

• Otimização de Arquitetura (Tarefa 1):
  • O algoritmo TPE encontrou arquiteturas com custos significativamente menores que a busca aleatória, utilizando menos sensores.
  • Para os cenários testados, as melhores arquiteturas consistiram em 20, 33 e 43 satélites, respectivamente.
  • As órbitas preferidas foram predominantemente as famílias Halo Norte e Sul em torno de L2, devido à sua cobertura e estabilidade.
• Desempenho de Estimação (Tarefa 2):
  • Estado Translacional: A estimação de posição e velocidade manteve-se satisfatória e estável em uma ampla gama de razões alvo/observador e intervalos de comissionamento.
  • Estado Rotacional (Atitude): A estimação de atitude mostrou-se altamente sensível.
    • À medida que o número de alvos aumentava em relação ao número de observadores, a precisão da atitude degradava-se rapidamente, levando a eventos de divergência.
    • O aumento do intervalo entre tarefas de comissionamento (de 30 min para 4 horas) causou degradação modesta na órbita, mas degradação severa na atitude, especialmente com alta densidade de alvos.
  • Causa da Degradação: A baixa observabilidade da atitude com medições ópticas passivas sob geometrias de visão restritas, combinada com o fato de a métrica de Informação Mútua priorizar a covariância orbital e não a incerteza rotacional.

5. Significância e Conclusão

Este trabalho fornece uma base metodológica robusta para o planejamento de missões de SDA no espaço cis-lunar. Os resultados destacam que, embora a órbita possa ser estimada com precisão mesmo com recursos limitados, a estimativa de atitude requer uma atenção especial devido à sua baixa observabilidade passiva.

As descobertas indicam que:

1. A otimização Bayesiana (TPE) é superior para o design de constelações cis-lunares.
2. Existe um compromisso crítico entre a cadência de comissionamento de sensores e a precisão da estimativa de atitude.
3. Futuras estratégias de comissionamento devem explicitamente considerar a ganho de informação rotacional para evitar a divergência de filtros em cenários de alta densidade de tráfego.

O framework proposto é um passo essencial para viabilizar a monitorização autônoma e escalável de objetos espaciais na região cis-lunar, suportando as futuras missões Artemis e a exploração lunar comercial.